Innovatie & Strategie

Artificial Intelligence
laparoscopie operatie

Waarom beeldherkenning in video pas net begint

Beeldherkenning is bijvoorbeeld in de medische sector veelbelovend hulpmiddel.

Chirurg voert kijkoperatie uit via beeldscherm © Shutterstock Iryna Inshyna
3 januari 2022

Beeldherkenning is bijvoorbeeld in de medische sector veelbelovend hulpmiddel.

De privacyproblematiek rond gezichtsherkenning heeft beeldherkenning de afgelopen jaren een negatief tintje opgeleverd. Het identificeren van objecten in stilstaand beeld is echter een van de oudste toepassingen van kunstmatige intelligentie en wordt in de praktijk voor veel meer gebruikt dan  gezichtsherkenning. Beeldherkenning in video is nieuwer en heeft veel potentie, bijvoorbeeld in de medische sector. Maar er zijn obstakels op de weg naar brede implementatie.

Computervision -het automatisch herkennen van objecten in beelden- spreekt erg tot de verbeelding. De verwachtingen van mensen ten aanzien van de mogelijkheden zijn ook hoog. Dat komt omdat de mens zelf heel goed is in het herkennen van beelden. Bovendien kunnen mensen met weinig woorden ordening aanbrengen in de wereld, maar zijn wel selectief. De ene mens kan bijvoorbeeld moeiteloos 100 hondenrassen uit elkaar houden, een ander herkent nog geen poedel. Maar deze persoon kan wel weer zonder problemen talloze typen thee- en koffiekopjes categoriseren.  "Wij hebben 20 jaar gewerkt aan een algoritme dat een willekeurig object in een plaatje kan herkennen", zegt Arnold Smeulders, emeritus hoogleraar, initiator van verschillende nationale onderzoeksprogramma's en ondernemer, veelal op het gebied van computervision. "Nu kunnen we ongeveer 20.000 objecten onderscheiden", stelt hij.

Beeldherkenning in video is makkelijker en tegelijk moeilijker dan in stilstaand beeld, legt Smeulders uit. "In één enkele opname is het lastig te bepalen welke kleur grijs bij het gordijn hoort en welke kleur grijs bij een shirt. Bij een reeks opnames [een video, red] kun je bepalen welke pixels samen bewegen en dan mag je aannemen dat die samen een object vormen."

Een machine laten leren van tijdreeksen is tegelijk veel ingewikkelder omdat de bestanden vaak zo groot zijn. De verwerking kost dan veel computerkracht. Bovendien is het categoriseren van objecten in een video een uitdaging. "Je kunt niet alles in een video labelen want dan ben je maanden of jaren bezig. De huidige wetenschappelijke onderzoeken richten zich op de vraag of je met een zwakkere vorm van leren de hele video in een keer kunt gebruiken in een training in plaats van plaatje voor plaatje. Ook zijn zelflerende systemen in opkomst waarbij niet gelabeld wordt, maar het systeem zelf objecten herkent die dan alleen nog een naam moeten krijgen."

Toepassing nog nauwelijks gebruikt

Inmiddels zijn er talloze voorbeelden van algoritmen die beelden beter analyseren dan specialisten, bijvoorbeeld op de aanwezigheid van kanker in een scan. Bij een kijkoperatie kunnen ze helpen de operatie veiliger uit te voeren. Die toepassingen worden alleen nog nauwelijks gebruikt om daadwerkelijk het leven van patiënten te verbeteren. Dat is een grote frustratie voor Joost Huiskens, arts en Healthcare Expert bij SAS. Proberen die kloof tussen innovatie en in de medische praktijk te dichten, was voor hem een belangrijke motivatie om in dienst te treden bij SAS, dat veel analytische systemen ontwikkelt onder meer voor de zorg. Huiskens deed in dat kader onderzoek naar het verschil tussen bruikbare en daadwerkelijk gebruikte AI-toepassingen op de intensive care. "We zagen de afgelopen vijf jaar een exponentiële toename in de ontwikkeling van nieuwe algoritmen. Het overgrote deel van de algoritmen blijft echter steken in het beginstadium richting klinische implementatie. Ik heb geen onderzoek gedaan naar computervision-toepassingen, maar ik steek mijn hand er voor in het vuur dat dit voor deze toepassingen ook geldt."

Een deel van het probleem zit volgens Huiskens in de studies die nodig zijn voor de acceptatie van een nieuwe medische toepassing of medicijn. "Er zijn veel perspectieven die moeten worden meegenomen. Een daarvan is hoe je AI-toepassingen klinisch wetenschappelijk valideert. De gouden standaard bestaat uit de zogeheten 'randomized controlled trials' (dubbelblind onderzoek waarbij de behandelaar noch de patiënt weet wie de nieuwe behandeling krijgt of in de controlegroep zit, -red). De vraag is hoe dat past voor data- en analytics-oplossingen? Als een algoritme voor elke patiënt een individuele score maakt, zijn die scores niet met elkaar te vergelijken. Het algoritme past zich aan op de werkelijkheid en het is de vraag of de inzet van randomized controlled trials dan wel de goede methode is."

Toekomstmuziek
Luister de podcast over computervision

Arnold Smeulders, Joost Huijskens en Thijs Doorenbosch praten over de praktische en wetenschappelijke uitdagingen bij het toepassen van computervision en AI in het algemeen in deze aflevering van de podcast Toekomstmuziek.

Hij benadrukt dat het belangrijk is dat in het hele proces van ontwikkeling van dergelijke AI-toepassingen medische domeinkennis aanwezig is, van de ontwikkeling van het algoritme door datascientists, de klinische toepassing en wetenschappelijke validatie daarvan tot bij de IT'ers en andere technici die bij het proces betrokken zijn. Bovendien moet dergelijke toepassingen goed doorontwikkeld kunnen worden en schaalbaar zijn, ofwel makkelijk toegepast kunnen worden in andere ziekenhuizen. Daar ontbreekt het nog wel eens aan.

"De acceptatie in de medische wereld is altijd een moeizaam proces", constateert ook Smeulders. Hij promoveerde begin 80-er jaren op automatische beeldherkenning in de pathologie, het benoemen van ziektebeelden in weefsel. "De eerst vraag die mij werd gesteld toen ik in een pathologisch lab kwam is: wanneer ga je me werkloos maken? En dat heeft de rest van mijn carrière geduurd", lacht hij. "In de dermatologie kun je met AI tegenwoordig een betere score halen dan een panel met experts. En zo'n panel scoort beter dan een individuele dermatoloog. Dat gaat ook in de radiologie gebeuren."

Innovatie hoort bij nieuwe generatie

De introductie van een belangrijke vernieuwing in de medische praktijk duurt vaak een generatie, is zijn ervaring. "Toen ik begon in de kwantitatieve pathologie, bepaalden we hoe een diagnose afhing van wat er onder de microscoop te zien was. Het ging om het onderscheid tussen grote cellen en kleine cellen, heel eenvoudig te begrijpen. Zelfs dat stuitte op grote weerstand. Een jongere generatie leert het in de collegebanken, accepteert dat het zo is en dat het ook betere zorg oplevert. De ouderen hebben minder focus op innovatie en dan kost dat veel meer moeite. Zo'n ontwikkeling wil niet zeggen dat specialisten overbodig worden. Maar op het moment dat geautomatiseerde diagnostiek bewezen beter is dan menselijke beoordelaars, naderen we het punt dat het als medisch onzorgvuldig handelen wordt beschouwd wanneer deze technologie niet wordt ingezet."

Een ander probleem is dat er vanuit de (Europese) politiek veel wordt gevraagd om transparantie in de algoritmen. Op die manier is in alle gevallen uit te leggen hoe een algoritme tot een beslissing is gekomen. Smeulders vindt dat op zich heel goed, maar waarschuwt dat regelgevers zich moet realiseren dat niet alles tot in eindeloos detail uitlegbaar is. Dat is ook buiten AI-toepassingen niet altijd het geval. "Als je aan een patholoog vraagt 'waarom is dat zo?', dan komen er hele mooie volzinnen uit. Maar feit is dat pathologen gewoon, door heel veel training, gelijk zien wat onder de microscoop ligt, niet anders dan een algoritme. De rest is allemaal rationalisatie achteraf."

Privacyprobleem oplosbaar

De toepassing van computervision in het algemeen staat volgens Smeulders nog aan het begin van  ontwikkeling. Hij ziet geen fundamentele reden waarom niet overal waar visuele inspectie aan de orde is, uiteindelijk automatische beeldherkenning een belangrijke rol krijgt. "Ik kan me heel goed voorstellen dat je in een restaurant van elk bord dat de keuken verlaat een foto maakt, om automatisch te registeren wat wordt uitgeleverd. Daar hoef je dan geen administratie meer van bij te houden. Ik zie allemaal camera's met een specifieke taak die voorkomt dat iemand voortdurend moet administreren. Dat is een heel grote markt." Het privacyaspect dat bij camera-inspectie snel om de hoek komt kijken, is goed op te lossen, denkt hij. "Bij de introductie van elke technologie zijn er zorgen en zorgjes. Mijn oplossing voor het privacyprobleem is: regel het in de camera, zodat die alleen registreert waar hij voor bedoeld is."

Magazine AG Connect

Dit artikel is ook gepubliceerd in het magazine van AG Connect (decembernummer 2021). Wil je alle artikelen uit dit nummer lezen, klik dan hier voor de inhoudsopgave.

Reactie toevoegen
De inhoud van dit veld is privé en zal niet openbaar worden gemaakt.